商談の勝ちパターンをデータで探す｜要約ではなく「クロージングへの反応」を抽出する【AI活用検証vol.39】

商談の文字起こしを保存するところまでは、多くの企業がやっています。しかし溜めただけでは、営業スキルの標準化には繋がりません。

この検証では、蓄積したデータから成約に結びつく「勝ちパターン」——ヒアリングの質、質問の回数、デモの有無を抽出し、成約率との相関を可視化する準備を進めました。単なる要約では届かない部分に踏み込んでいます。

この検証の概要

本記事は自社での検証記録です。成約率の変化などの測定は行っていないため、数値は掲載していません。

結論：要約ではなく「相手の反応」を抽出する

この検証で最も本質的だった発見がこれです。

単なる要約ではなく、「受講しますか？」というクロージング質問に対する相手の具体的な返答をピンポイントで抽出する——これによって、次のアプローチが明確になります。

商談の要約を読んでも、「話は進んだが決まらなかった」以上のことは分かりません。しかしクロージングでの相手の言葉には、心理的なハードルがそのまま現れます。

「予算が」なのか「タイミングが」なのか「社内の承認が」なのか。断り文句の中身が分かれば、次に何を用意すべきかが決まります。

要約は「何が起きたか」を伝えますが、抽出は「次に何をすべきか」を教えてくれます。ここが設計の分かれ目でした。

抽出する項目の設計

プロンプトで抽出する対象として、次を定義しています。

「デモをやったかどうか」「事例を出したかどうか」を項目として記録することで、成約率との相関を可視化する準備が整いました。感覚的に語られていた「デモは効く」を、データで確かめられる状態にするということです。

タグ分類による相関分析

成約率との相関を測るため、商談のタグ分類を定義しました。「業務-Dify」「副業-画像生成」といった形で、案件の性質を分類します。

営業の勝ちパターンは、扱う商材やターゲットによって変わります。全体を平均して見ても意味がないため、タグで切り分けたうえで比較するという設計です。

先に片付けた課題：リストの記入漏れ

分析の前段として、リスト記入漏れに関するアラート通知機能を実装し、仕組み化が完了しています。

これは地味ですが重要です。入力されていないデータは分析できません。どれだけ優れた分析ロジックを作っても、元データに欠けがあれば結論が歪みます。

「分析の前に、データが揃う仕組みを作る」という順序を守ったことが、この取り組みでは効いています。

よくある質問

要約だけでは足りないのですか？

足りません。要約は「何が起きたか」を伝えますが、次のアクションには繋がりません。クロージング質問に対する相手の具体的な返答を抽出することで、心理的ハードルの正体が見えます。

どんな項目を分析していますか？

ヒアリング時間、質問内容の密度、クロージングへの反応に加え、実演（デモ）の有無や活用事例の説明有無を項目化しています。成約率との相関を測るためです。

なぜタグ分類が必要なのですか？

商材やターゲットによって勝ちパターンが変わるためです。全体を平均して見ても意味がないため、「業務-Dify」「副業-画像生成」といったタグで切り分けて比較します。

成約率は改善しましたか？

現在は分析ロジックの構築中で、成約率の変化は測定していません。相関を可視化する準備が整った段階です。

まとめ

• 要約ではなく、クロージング質問への相手の具体的な返答を抽出することで、次のアプローチが明確になる
• ヒアリング時間・質問密度・デモの有無・事例説明の有無を項目化し、成約率との相関を測る準備が完了
• 商材ごとに勝ちパターンが違うため、タグ分類で切り分けて比較する設計
• 分析の前にリスト記入漏れのアラート通知を実装。入力されていないデータは分析できない

営業データの活用では、記録を増やすことより「何を抽出するか」の設計が成果を分けます。溜めるだけでは、読み返されずに終わります。

株式会社AI棒では、こうしたAI活用の検証を日々行い、企業の営業DXとAI導入を支援しています。ご相談はお問い合わせフォームから、継続的な伴走支援についてはAI参謀をご覧ください。